Diffusion-aware Censored Gaussian Processes for Demand Modelling

要約

集計データから製品やサービスの真の需要を推測することは、利用可能な供給が限られているため困難な場合が多く、その結果、観測値が打ち切られ、現実の需要に対応し、満たされていない需要が考慮されなくなります。
打ち切り回帰モデルでは、供給が限られているため打ち切りの影響を考慮できますが、同様の代替製品やサービスの需要が増加する可能性がある代替品の影響は考慮されていません。
この論文では、拡散を意識した打ち切り需要モデルを提案します。これは、同様の製品またはサービス間で満たされない需要が移動する潜在的なプロセスをモデル化するために、トービット尤度とグラフ拡散プロセスを組み合わせたものです。
GP のフレームワークの下でこの新しいクラスのモデルをインスタンス化し、販売、自転車シェアリングの需要、EV の充電需要をモデル化するためのシミュレーション データと実世界のデータの両方に基づいて、真の需要をより適切に回収し、より正確に生産する能力を実証します。
サンプル外の予測。

要約(オリジナル)

Inferring the true demand for a product or a service from aggregate data is often challenging due to the limited available supply, thus resulting in observations that are censored and correspond to the realized demand, thereby not accounting for the unsatisfied demand. Censored regression models are able to account for the effect of censoring due to the limited supply, but they don’t consider the effect of substitutions, which may cause the demand for similar alternative products or services to increase. This paper proposes Diffusion-aware Censored Demand Models, which combine a Tobit likelihood with a graph diffusion process in order to model the latent process of transfer of unsatisfied demand between similar products or services. We instantiate this new class of models under the framework of GPs and, based on both simulated and real-world data for modeling sales, bike-sharing demand, and EV charging demand, demonstrate its ability to better recover the true demand and produce more accurate out-of-sample predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google